5ea4960e65
Backup état complet après enregistrement vidéo démo de bout en bout. À utiliser comme point de référence pour la consolidation post-démo. Changements majeurs de la session 18-19 mai : - AIVA-URGENCE : page autonome avec preset URL + auto-focus chain - Workflow Demo_urgence_3_db : merge linux_db + steps AIVA + pause humaine NoMachine - Bypass LLM (static_result / static_text) dans replay_engine pour démos déterministes sans appel Ollama - Fix api_stream:3013 — replay_paused au premier polling /next - dag_execute : lift duration_ms vers top-level pour wait runtime - NPM bypass auth /aiva-urgence/ via location ^~ (proxy_host/10.conf hors git) - scripts/cancel-replays.sh — workaround Stop VWB qui ne purge pas la queue Anchors visuels (468) forcés dans le commit pour garantir restorabilité. DB workflows actuelle + ~12 .bak DB de la journée incluses. Sujets identifiés pour consolidation post-démo (TODO) : 1. Bug VWB recapture anchor ne régénère pas le PNG 2. Léa client accumule état mémoire (restart périodique requis) 3. Stop VWB ne purge pas la queue serveur (lien manquant vers /replay/cancel) 4. Bug coord client mss tronqué 2560x60 → mapping Y cassé 5. delay_before/delay_after ignorés au runtime (fix partiel duration_ms) Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
49 lines
1.6 KiB
Python
49 lines
1.6 KiB
Python
#!/usr/bin/env python3
|
|
"""Tester 3 modèles additionnels et merger dans resultats_v2.json :
|
|
- t2a-gemma3-27b-q4:latest (fine-tune T2A maison — clé du test)
|
|
- DeepSeek-R1:latest (reasoning, FR correct)
|
|
- gpt-oss:120b-cloud (top tier 2026)
|
|
"""
|
|
|
|
import json
|
|
import sys
|
|
from pathlib import Path
|
|
|
|
sys.path.insert(0, str(Path(__file__).parent))
|
|
from run_simulation_v2 import run_one_model, stats_for_results # noqa: E402
|
|
|
|
EXTRA_MODELS = [
|
|
"t2a-gemma3-27b-q4:latest",
|
|
"DeepSeek-R1:latest",
|
|
"gpt-oss:120b-cloud",
|
|
]
|
|
|
|
results_path = Path(__file__).parent / "resultats_v2.json"
|
|
all_data = json.loads(results_path.read_text(encoding="utf-8"))
|
|
|
|
for model in EXTRA_MODELS:
|
|
print(f"\n>>> Test {model}")
|
|
results = run_one_model(model)
|
|
s = stats_for_results(results)
|
|
print(f" → {s['correct']}/{s['n']} ({100*s['accuracy']:.0f}%) "
|
|
f"S={s['by_type'].get('simple', (0,0))} "
|
|
f"C={s['by_type'].get('complexe', (0,0))} "
|
|
f"B={s['by_type'].get('borderline', (0,0))} "
|
|
f"latence={s['avg_latency_s']:.1f}s parse_err={s['parse_errors']}")
|
|
|
|
all_data[model] = [
|
|
{
|
|
"id": r["cas"]["id"],
|
|
"titre": r["cas"]["titre"],
|
|
"type": r["cas"]["type"],
|
|
"verite_terrain": r["cas"]["verite_terrain"],
|
|
"criteres_attendus": r["cas"]["criteres_cles"],
|
|
"prediction": r["out"],
|
|
"decision": r["decision"],
|
|
"match": r["match"],
|
|
}
|
|
for r in results
|
|
]
|
|
results_path.write_text(json.dumps(all_data, ensure_ascii=False, indent=2), encoding="utf-8")
|
|
print(f" → mergé dans {results_path.name}")
|